非线性系统现在已经广泛存在于人类各项生产过程中。为此,必须针对非线性系统的数学模型,采用非线性控制理论进行分析。人们提出的很多建模方式尝试获得非线性系统的精确数学模型,由于实际系统的材质和复杂的运动,精确的数学模型往往很难得到或过于复杂,因此,使得传统的控制算法很难达到理想控制效果。在实际系统中,往往存在一定的非线性特性,如输入死区和输入饱和。这些非线性特性往往降低系统的控制性能,甚至造成不稳定。另一个在非线性系统中广泛存在的是,系统的状态需要满足一定的约束,如果系统的状态侵犯了要求的约束,可能会造成安全隐患。人工神经网络是参数化网络,由于其强大的数值近似能力和泛化能力,在图像处理、模型识别等得到广泛应用。其次,它结构简单,容错能力强,且能自适应学习,因此,在控制领域中也被广泛的应用。本文主要解决带有输入约束和状态约束的非线性系统的估计跟踪问题。考虑的输入约束包括输入死区和输入饱和,神经网络用于近似系统未知的参数和函数,随后利用直接控制器设计方法和反推技术设计控制器。与传统方法不同的是,本文分别采用了神经网络近似输入死区和双曲正切函数解决不对称饱和约束问题。本文分别设计了状态观测器和扰动观测器估计未知的状态信号和未知的扰动信号,基于状态反馈和输出反馈分别设计控制器。使用障碍李雅普诺夫函数解决约束约束问题。本文主要针对三类非线性系统进行控制器设计。首先对一类带有输入死区的非仿射非线性系统进行初步理论研究,构造滑膜面,再结合状态反馈和输出反馈分别设计控制器,最后通过李雅普诺夫理论验证系统稳定性,最终实现半全局一致有界。其次对一类带有状态约束的多输入多输出系统进行初步理论研究,再结合障碍李雅普诺夫函数,设计基于神经网络近似的自适应控制器,最后通过李雅普诺夫理论验证系统稳定性,最终实现半全局一致有界。最后对更复杂的带有输入饱和的多输入多输出的机器人系统分别设计基于状态反馈和输出反馈的控制器,实现稳定的系统,最终得到半全局一致有界。